中智咨询近期对百余家国有企业做了一轮「AI 组织转型准备度」调研，覆盖中央企业、地方国资集团，横跨金融、电信、能源、制造、医药、物流等行业。中智咨询发布《央国企AI组织转型准备度调研分析报告》
结果并不意外，但值得认真看一眼：
综合准备度均值 1.87 分（5 分制），58% 的企业仍在 L1 初始探索，加上 L2 起步试点合计 79%；进入 L4 优化成熟的只有 7%，L5 引领创新为零。七个维度，没有一个均分过 3 分。
数据来源为企业自评，反映的是企业对自身准备度的认知与判断。
这篇文章不想重复「大家还很早期」这句正确的废话，而是想回答两个问题：卡住企业的到底是什么，以及怎样把一次评估，变成一张能落地的施工图。
一、79% 停在试点，L3 是真正的分水岭
先看位置。
综合得分均值 1.87、中位数 1.53，最高 3.88、最低 1.05，分布明显向右拖尾——少数先行企业把均值抬高了约 0.3 分。做自评时习惯看均值，很容易被这几个先行者误导，以为自己已在队伍中段；更实际的参照是中间那家企业：半数同行还没走出初始探索。
我们把五个等级与 AI 转型的阶段对应起来，会看得更清楚：
L1–L2（79%）＝ AI 嵌入：零散试点，AI 是加在原有流程上的工具。
L3（14%）＝ AI 优先的分水岭：开始有统一做法、有可复制经验。
L4–L5（7% / 0%）＝ AI 原生：AI 进入业务流程与岗位设计本身。
目前仅有少量大模型公司或互联网企业的某些部门能达到 L5，那些组织里大量的工作和流程本身就由 AI 驱动。
从试点走向推广，卡住的多半不是技术，而是没有统一的做法、没有人对结果负责。 下一步的目标不妨定成一句大白话：同一套做法，能不能在第二个场景复用。
二、最弱的不是工具，是机制
七个维度的均分，没有一个达到 3 分。
技术与平台最低（1.95），45% 的企业把它列为自己的最短板；价值与度量紧随其后（1.98）。两项同时垫底，说明应用意愿还没转化成承接能力。
更值得注意的是均分最低的 12 道题（共 31 道）：它们几乎都指向责任机制、数据标准、平台对接、价值核算，「工具会不会用」并不在最弱的一批里。这 12 道题里最高的一道也只有 2.12 分，其中技术架构最低，74% 的企业选了最低两档。
翻译过来是三句大白话：
74%—— 系统各自建完再统一，等于重做一遍。
平台买回来了、场景也做出来了 —— 但没人能说清这笔钱省在哪。
同一张报表，三个部门给出三个数 —— 口径不统一时，每多一个场景就多一份口径债。
有些事越晚定越贵。系统建完再统一、数据标准事后补齐，代价都是重做一遍；而工具和应用，反而可以边用边调。所以排优先级不能只看分数，还要看「这件事现在不定、以后是不是更难定」。
三、战略两极分化，但战略高不等于能落地
七个维度的分布形态分成两类。
战略与领导力两端都厚：35% 的企业已在 3.5 分以上，同时仍有 27% 低于 2 分。同一批央国企里，一边是董事会已经在讨论投入，一边是还没定由谁牵头。
技术与平台正好相反：只有 9% 达到 3.5 分，57% 低于 2 分。其余维度多集中在 2–3.5 分的中段，两端都薄。
有的短板花钱能补，有的短板开会就能补。战略层面的低分，多数是还没想清楚往哪走，靠高层共识、看看同行怎么做就能推动，不必等预算；技术、数据、治理上的低分，靠的是一年以上的投入和专门的人，急也急不来。两类缺口混在一张表里排先后，钱常常花在了本来只差一个共识的地方。
还有一层容易误读：三层得分分别是基础层 2.09、方向层 2.27、执行层 2.37，最大落差只有 0.28 分。这说明多数企业是整体偏弱，而不是某一层拖了后腿——补了数据发现场景选错了，补了场景又发现算不清账。这时候单独把某一项拉到高分，整体并不会跟着走。
四、四类企业，70% 的短板落在底座或方向
按短板所在的位置，我们把样本企业分成四类：
基础薄弱型 47%：最短板在数据或技术，有场景、有意愿，但底座撑不住规模化。
方向缺位型 23%：方向不清、护栏未立、投入产出难核算。
均衡型 17%：没有明显短板，卡点不在单点，多数维度在 3 分上下。
偏科型 13%：某一层相对领先、其余落后，强项反而盖住了失衡。
前两类合计 70%，短板都落在底座或方向。交叉数据还显示：基础薄弱型中约三分之二落在 L1；而均衡型全部位于 L3 与 L4。所谓偏科型的「强项」，只是与自身其他维度相比，绝对水平仍处起步期。
方向不定，底座补了也用不上。 底座薄的企业，靠一个场景还能边做边补往前挪一步；方向没定的企业，就算把数据和平台建起来，也难判断先做什么，最后多半停在试点。所以多数低等级企业的第一步不是买工具，而是先把「AI 用在哪几块业务、由谁牵头、怎么算效果」定下来——这一步并不花钱。
五、把评估做成施工图，而不是一面镜子
调研做完后，我们越来越确认一件事：一份只告诉企业「你在第几级」的报告，价值是有限的。 真正有用的是让它能直接推导出下一步。为此，我们在方法上做了五处补强。
1｜等级不靠感觉，靠举证。
自评数据天然带主观偏差，同一家企业乐观与保守口径可能差一档。因此每个等级都配了可举证的硬判据，分数与判据不一致时，以判据为准、向下修正：
L1 → L2：AI 是否进入年度预算科目、有没有明确牵头部门与业务责任人。
L2 → L3：同一套做法能否在第二个场景复用，有没有统一的验收标准与责任归属。
L3 → L4：AI 是否进入经营指标与季度复盘，效果核算能否被审计。
L4 → L5：AI 是否嵌入业务流程与岗位设计本身。
分界线不在模型能力，而在组织与复用。这也是咨询视角能补上的部分：技术门槛客户可以自评，但「有没有人负责、流程改没改、能不能复制」，需要变成可核对的证据。
2｜一个关键指标：可复制场景占比。
定义很简单：已完成验收的场景中，其流程模板、数据口径、评测用例与责任安排被第二个及以上业务单元直接复用（无需重新设计）的场景数，除以已验收场景总数。
之所以选它，是因为这一个数同时检验了四件事：数据口径是否统一、平台能力是否可复用、价值核算是否说清、责任分工是否落地。它也是「结构均衡」最好的单一代理指标。
3｜从打分到处方。
报告已有 90 天行动计划和优先级清单，但诊断分数与改进行动之间还缺一次换算。我们把「从 1.87 到 L3 门槛 2.61 的 0.74 分差距」拆成可指派、可举证的动作，每项标注差距、建议周期与举证材料。
排序不完全按分数：价值与度量排第一，因为它不依赖大额投入、见效快，且决定后面每一笔钱能否被证明值得。这里的逻辑要和「第一批预算放在标准、责任和架构上」区分开——前者是「不花钱也要先定」的机制，后者是「开始花钱时优先投」的方向，两者并不矛盾。
4｜把「算得清账」落成一张表。
「建立评价基线」不该只是一句主张。我们建议每个场景启动前先记录四项基线：端到端流程周期、单位业务工时、差错率／返工率、单位场景年成本；试点验收后再按保守／中性／乐观三档测算投入、价值与回本周期。
有一条口径声明必须随表附上：测算只包含可归因于该场景的直接工时与成本节约，不包含流程重构带来的组织成本、培训成本与系统性改造投入，也不外推至未验证场景。
这一句「不包含什么」，比多写一个收益数字更重要：它把测算从承诺变回依据。
5｜季度复评，把评级做成节奏。
分数变化、判据举证、头号指标按季度复核，价值偏差每半年归因，行业基准与分型迁移率每年迭代。复评与经营复盘同频，避免「评估完就收进抽屉」。
六、一个场景：局部效率，不等于整体效率
最后讲一个很能说明问题的例子。
员工服务场景：AI 把制度咨询的响应从「等一天」变成「秒回」，但申请流转、材料审核、异常处理仍沿用原有人工方式。结果咨询环节快了，整体办理周期几乎没变——效率提升停在流程的某一个环节，没有穿过整条业务链。
要让它真正兑现，人机协同工作流必须写清四件事：AI 的任务范围、人工介入节点、异常转交方式、最终责任归属，并把这些安排纳入场景建设与验收。
这个例子也解释了一个看似矛盾的数据：人才与组织维度均分 2.50（七维第二高），但在「人机协同工作流设计」等具体题项上，多数企业的自我评价仍很保守。维度分高，不代表工作方式已经改了。
这也正是中智咨询一贯的主张：AI 应用要与组织转型、流程重塑和人才升级同步推进，让项目成果逐步转化为可复用的组织能力。
写在最后
七个维度没有一个达到 3 分，最容易浪费钱的做法，是把预算集中在最显眼的一项上：平台买回来没有数据可用，场景做出来算不清收益，规模一大又发现没有部门真正负责。
更稳妥的路子是：选一个业务结果算得清楚的场景先做，把数据准备、平台接入、效果核算和责任分工放进同一件事里，做成一个，再照着复制第二个。 先立价值口径，再按口径选技术；先补底座，再铺场景；把复用率，而不是场景数，当成明年最该盯的那个数。
从「AI 嵌入」到「AI 优先」再到「AI 原生」，中间隔的从来不是一次模型升级，而是一整套组织能力的重建。
参与调研，获取本企业 AI 转型准备度诊断报告
参与中智咨询「企业 AI 转型准备度调研」，5 分钟即可获得企业自身诊断报告，并获取《央国企 AI 组织转型准备度调研分析报告》完整版，了解七维度分布、企业分型、关键薄弱题项与相应行动建议。
以充分的现状认识支持转型决策，让后续投入更加聚焦，让应用成果得到持续积累。具体可联系中智咨询顾问了解详情。
中智管理咨询有限公司｜www.ciicmc.com.cn